Gradium AIが新AI音声モデル発表

音声エージェントは、通話の中で最も重要な部分、つまり注文番号、コールバックの数字、発信者が書き留める必要のあるメールアドレスなどで失敗します。Gradium AIは新しいtext-to-speechモデルをリリースし、これをAPIとStudio全体でデフォルトに設定しました。同社は、5つの言語にわたる500文の難易度の高いテストセットにおいて、人間による評価で81.0%の合格率を報告しており、Cartesia Sonic 3.6の75.1%やElevenLabs v3 Conversationalの65.4%を上回っています。最初の音声までの時間はCovalでのP50で216 msであり、置き換えられるモデルよりも170 ms高速です。本日より、移行作業なしでデプロイ可能です。Gradiumは2026年8月31日にこのモデルをAPIとStudio全体でデフォルトとして有効にしました。カスタムクローンを含む既存の音声は、変更なく引き続き機能します。Gradiumは500文の評価セットを構築し、Hugging FaceでCC BY 4.0ライセンスの下でオープンソース化しました。これは、5つの言語（EN, DE, FR, ES, PT）で10の基準にわたる100項目で構成されています。7つの個別基準は、スペル、頭字語、英数字トークン、日付、通常の数字、大きな数字と浮動小数点数、およびメールをカバーしています。3つの複合基準（Orders, IT Ticket, Claims）は、これらをいくつか組み合わせて現実的なエージェントの応答を形成します。採点は人間が行い、厳格です。独立したネイティブスピーカーの評価者が、すべての要素が正しく完全に発音されていると判断した場合にのみ、その文は合格とされます。1桁でも聞き逃された場合は、その文は不合格となります。音声はラウドネス正規化され、順序はランダム化され、評価者は40回の比較で強制休憩を挟むように制限されました。10の基準全体でプールされ、5つの言語で等しい重みで平均化された結果は以下の通りです。Gradium TTS 81.0%、Cartesia Sonic 3.6 75.1%、ElevenLabs v3 Conversational 65.4%、Fish Audio S2.1 Pro 49.5%、Inworld TTS 1.5 Max 46.5%。これらはすべて2026年8月にデフォルト設定で生成されました。Coval's TTSベンチマークにおいて、Gradiumは報告しています。